周賢偉，郭 晨，覃貞鑫

(1.武漢理工大學 安全科學與應急管理學院，湖北 武漢 430070；2.武漢理工大學 中國應急管理研究中心，湖北 武漢 430070;3.諾丁漢特倫特大學，英國 諾丁漢 NG1 4FQ)

隨我國“雙一流”學科建設(shè)以及第五輪學科評估工作的推進，各高校加快了實驗室投資建設(shè)的步伐。實驗室添置了大量實驗設(shè)備，為高校各種實驗的開展提供了有利條件，與此同時，實驗安全管理規(guī)章未及時更新，安全設(shè)備裝置未能進行相應的升級，還有人員安全培訓不到位為實驗室的安全管理帶來了隱患[1]。

近幾年，實驗室安全問題逐漸突出。實驗室事故中實驗室火災和爆炸占比最高，造成的后果損失最大。2021年3月31日，某化學研究所發(fā)生爆炸事故，造成1人死亡；2021年7月13日，深圳某大學實驗室發(fā)生火情，一名實驗人員輕微燒傷；2021年10月24日，南京某大學材料實驗室發(fā)生爆燃事故，導致2人死亡，9人受傷。事故的頻繁發(fā)生是我國學科建設(shè)高速發(fā)展留下的隱患。應該合理地利用先進技術(shù)，有效地對事故致因的隱患進行監(jiān)控和及時消除。

隨著計算機技術(shù)和人工智能技術(shù)的發(fā)展，如何讓AI賦能安全管理，有效提高安全管理水平，降低場景中的風險，是現(xiàn)階段眾多安全學者研究的方向之一。目前使用目標檢測技術(shù)提高場景安全水平主要集中在對人是否佩戴安全防護物品以及人的不安全行為進行檢測。如趙紅成等[2]提出基于YOLO-S的一種新型輕量的安全帽佩戴檢測模型，對YOLOv5s進行了輕量化設(shè)計，使模型體積更小具有更好的應用性；李千登等[3]基于深度學習算法進行叉車危險操作行為檢測，考慮了人、叉車兩者之間的距離、叉車舉升人員等多因素，有效提升現(xiàn)場智能化風險管控水平。彭婷等[4]設(shè)計出基于改進Mask R-CNN的泳池溺水行為檢測系統(tǒng)，實時識別溺水者并發(fā)出警報，模型檢測速度為5FPS，檢出率為93.3%，誤檢率為6.4%，滿足泳池的安全警報作用。這些學者都考慮對于事故發(fā)生而言比較重要的單個因素，但事故發(fā)生是一個復雜的過程，是多個因素作用的結(jié)果。因此，筆者提出基于YOLOv5的目標檢測算法識別實驗室中導致爆炸的多個不安全因素(包括未穿實驗服、出現(xiàn)明火、實驗室廢材堆積等)，制定風險評價規(guī)則，將風險等級分為低、中、高3個等級，對實驗場景開展風險評估。通過視覺風險評估模型，在降低人工成本的同時，使管理人員獲知實驗室風險水平，進而提高實驗室安全管理水平。

1 目標檢測算法

目標檢測(Object Detection)是計算機視覺領(lǐng)域的核心問題之一，其任務(wù)是定位輸入圖像中感興趣的目標并確定其類別。目前基于深度學習的目標檢測算法被分為兩大類，一類是兩階段(Two-stage)目標檢測算法，又稱基于感興趣區(qū)域的目標檢測算法。這類算法的核心思想是將目標檢測任務(wù)分解成兩個階段，第一階段通過選擇性搜索(Selective Search)或區(qū)域建議網(wǎng)絡(luò)(RPN)生成一組稀疏連接的候選區(qū)域，再對這些候選區(qū)域進行分類回歸操作。雙階段算法經(jīng)過R-CNN，SPP-Net，F(xiàn)ast R-CNN，F(xiàn)aster R-CNN，Mask R-CNN的發(fā)展[5]，其訓練時長和測試時間在不斷減小，訓練精度在不斷提高。但由于算法本身包含多個割裂步驟，在運行中會占用較大的存儲與計算開銷，時間復雜度不及單階段算法[6]。且由于模型體型較大，對攝像頭的性能要求極高，難以實現(xiàn)普遍運用和推廣。

另一類是一階段(One-stage)目標檢測算法，其中最具有代表性的算法是“YOLO”算法，是一種基于回歸策略的端到端的目標檢測算法，將目標檢測問題簡化為回歸問題，由于沒有區(qū)域推薦階段，因此相較于雙階段算法具有極高的檢測速度[6]，其中YOLOv5算法擁有不同大小的分支，可以根據(jù)硬件本身選擇合適分支進行部署。筆者以YOLO系列最新算法YOLOv5，對導致實驗室爆炸事故的因素進行識別，制定風險評價規(guī)則，評定實驗室場景的風險等級，進而有效控制實驗室風險，降低爆炸事故發(fā)生幾率和爆炸事故影響程度。

2 YOLOv5算法

YOLOv5算法主要分為4個部分：輸入端、主干網(wǎng)絡(luò) Backbone、Neck 和預測端 Prediction。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)圖[14]

2.1 YOLOv5輸入端

YOLOv5的輸入端采用了Mosaic數(shù)據(jù)增強的方式。Mosaic數(shù)據(jù)增強使用隨機排布、隨機縮放、隨機裁剪的方式對輸入圖片進行拼接，進而增加數(shù)據(jù)多樣性[7]，由于隨機縮放增加了數(shù)據(jù)集小目標的數(shù)目，有助于提升算法的魯棒性。YOLOv5采用了和YOLOv3、YOLOv4的自適應錨框計算，不同在于YOLOv5不再是單獨程序運算，而是將其集成于代碼中，加快了運算速度，同時也改進了自適應圖片縮放，提高了推理速度。

2.2 YOLOv5主干網(wǎng)絡(luò)

Backbone 采用CSPDarknet53作為其主干網(wǎng)絡(luò)，由卷積模塊(Conv)、瓶頸層(C3)、空間金字塔池化(spatial pyramid pooling，SPP)等模塊，在最新的YOLOv5第六版中使用Conv替代之前的Focus。YOLOv5中設(shè)計了兩種CSP結(jié)構(gòu)，以YOLOv5s網(wǎng)絡(luò)為例，一種CSP1_X結(jié)構(gòu)用于主干網(wǎng)絡(luò)，另一種CSP2_X結(jié)構(gòu)則被用于Neck中。將兩個分支拼接到一起，使網(wǎng)絡(luò)深度增加，大幅增強特征提取能力。

2.3 YOLOv5的Neck端

YOLOv5的Neck端和Yolov4中一樣，都采用“FPN(特征金字塔)[8]+PAN[9](路徑聚合網(wǎng)絡(luò))”的結(jié)構(gòu)。不同點在于YOLOv4的Neck端中，采用常規(guī)的卷積操作。而為加強網(wǎng)絡(luò)特征融合的能力，YOLOv5的Neck端中，采用借鑒CSPNet設(shè)計的CSP2結(jié)構(gòu)。

2.4 YOLOv5的預測端

YOLOv5預測端擁有3種不同尺度的特征圖，對不同尺度下生成的預測框進行非極大值抑制(non-maximum suppression，NMS)處理，即保留局部類別置信度得分最高的預測框，抑制剔除得分低的預測框。YOLOv5采用CIOU_Loss做Bounding box的損失函數(shù)。

3 實驗室爆炸事故影響因素

葉元興等[10]在基于150起實驗室事故的統(tǒng)計分析及安全管理對策研究一文中統(tǒng)計了諸多事故發(fā)生頻率和死亡比例，其中實驗室爆炸事故45起，占比30%，是實驗室安全事故的主要類型，且死亡比例最高。因此諸多學者對實驗室爆炸事故進行了致因分析，陽富強等[11]基于相似安全系統(tǒng)學理論分析實驗室爆炸事故，找出人的不安全行為、物的不安全狀態(tài)、環(huán)境的不良狀態(tài)和管理規(guī)章制度的不完善，4個大類共24個實驗室爆炸事故影響因素。后續(xù)又基于6SIGMA理論分析高校實驗室安全管理[12]，運用故障類型影響分析法，找出安全基礎(chǔ)設(shè)施、報警裝置及防護設(shè)備等爆炸事故影響因素；徐超等[13]基于“2-4”模型研究高校易燃易爆實驗室事故致因與對策，統(tǒng)計分析了事故致因頻次和占比，按照個人層面和組織層面進行致因分析。消防器材不足、未使用防護用品、實驗用品隨意擺放等為主要事故影響因素；張芳等[15]基于蒙特卡羅法的高校行為風險分析，統(tǒng)計了2001—2019年77起高?；瘜W實驗室事故，結(jié)果顯示：風險最高為材料試劑的使用環(huán)節(jié)，其次是違規(guī)操作、材料試劑存放混亂，防護裝置或設(shè)備故障、缺陷、缺失等。筆者統(tǒng)計了眾多學者所得的實驗室爆炸事故影響因素，如圖2所示。選取其中影響程度較大且適合目標檢測的5種因素：?；冯S意擺放、無防護服、實驗室廢材堆積、無消防設(shè)備、明火。用于實驗室爆炸事故風險等級評估。

圖2 實驗室爆炸事故影響因素頻次統(tǒng)計

4 實驗結(jié)果與分析

4.1 實驗環(huán)境

實驗配置為：AMD Ryzen7 4800H，16G 運行內(nèi)存，顯卡為NVIDIA RTX 2060，實驗基于Windows10(64位)，python3.7， pytorch1.8搭建的深度學習框架，GPU加速軟件為CUDA11.1和CUDNN8.1。初始學習率為0.01；終止學習率為0.1；批大小為2；訓練迭代次數(shù)為100；圖片大小為640。

4.2 實驗數(shù)據(jù)集

由于目前沒有開放的實驗室危險隱患數(shù)據(jù)集，因此筆者通過華為海雀攝像頭自行采集了468張數(shù)據(jù)圖片，出于安全考慮，使用網(wǎng)絡(luò)收集的283張火災圖片，用于實驗室明火識別。借助Lableimg軟件對數(shù)據(jù)集進行標注，設(shè)置類別為fire(明火)、person(人)、carton(紙盒)、dangerous chemical cylinder(?；瘹馄?、cylinder holder(氣瓶架)、lab-gown(實驗服)、fire extinguisher(滅火器)7類，保存為VOC2007格式，按照8∶1∶1劃分為訓練集、驗證集、測試集。

由于目前實驗室危險隱患的數(shù)據(jù)集多為小樣本，為解決小樣本數(shù)據(jù)集的問題[16]，借鑒遷移學習[17]的思想，采用COCO數(shù)據(jù)集訓練的YOLOv5權(quán)重作為網(wǎng)絡(luò)的預訓練權(quán)重，選用所建立的實驗室安全隱患數(shù)據(jù)集對預訓練好的網(wǎng)絡(luò)結(jié)構(gòu)進行參數(shù)微調(diào)；最后完成安全隱患的檢測[18]。通過這種方式可以大幅提高模型收斂速度，減少訓練參數(shù)，降低時間成本和對設(shè)備性能的要求。

4.3 評價指標

為有效評估模型的檢測精度，采用平均精確率(mAP)、精確率(Precision)、召回率(Recall)作為衡量指標。公式如下：

式中：TP代表真陽性；FP代表假陽性；FN代表假陰性；AP(AveragePrecision)代表單個類別的平均準確率；mAP是對所有類別的AP求取均值后所得數(shù)據(jù)。檢測閾值設(shè)置為0.5。

4.4 訓練結(jié)果

由于YOLOv5共有5個版本：YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，按照n、s、m、l、x的順序網(wǎng)絡(luò)模型不斷加深加寬。為找出最適合的模型，實驗總共訓練5個模型如表1所示。

表1 5種分支模型檢測性能對比

由表1可知，隨網(wǎng)絡(luò)模型不斷加深，其檢測精度也在不斷提高，與官方報道相符，由于5個模型均達到0.98以上的識別精度。為進一步驗證YOLOv5檢測性能的優(yōu)越性，在進行5個分支檢測性能對比的同時與主流目標檢測算法YOLOv4-tiny、Faster-RCNN、SSD在精度和速度方面進行實驗對比，結(jié)果如表2所示，加粗字體為各列最優(yōu)結(jié)果。從模型部署及檢測精度角度綜合考慮發(fā)現(xiàn)YOLOv5s最適用于實驗室安全隱患的檢測。YOLOv5s算法在部分測試集上的目標檢測結(jié)果如圖3所示，可知小目標的紙盒，不同姿態(tài)下的人，還有被部分遮擋的氣瓶均被很好地檢測出。遷移學習結(jié)果對比如圖4(a)所示，星形曲線采用了遷移學習策略，對比三角形曲線，其平均精度迅速上升，并且在經(jīng)過30個epoch后就已經(jīng)達到最大值，由此可知遷移學習有效提高了收斂速度，提升了目標檢測模型的平均精度。YOLOv5s的精度-召回率曲線如圖4(b)所示，可知YOLOv5s中各類別的AP值，其中對明火、危化氣瓶、氣瓶架這些重要的檢測類別其檢測精度分別達到了0.995、0.988、0.994，超過肉眼水平，滿足精度要求。

表2 YOLOv5與傳統(tǒng)模型檢測性能對比

圖3 部分目標檢測結(jié)果數(shù)據(jù)集

4.5 風險評價規(guī)則

總共建立7類識別目標，在此基礎(chǔ)上建立5種安全隱患類別，分別為：出現(xiàn)明火、人員未穿實驗服、實驗室廢材堆積、危化氣瓶未設(shè)置氣瓶防護架和無滅火器。

圖4 遷移學習結(jié)果對比及YOLOv5s的P-R曲線

(1)YOLOv5檢測模型檢測到室內(nèi)出現(xiàn)明火時，即構(gòu)成“出現(xiàn)明火”安全隱患；

(2)YOLOv5檢測模型檢測到人，但未檢測到實驗服時，即構(gòu)成“人員未穿實驗服”安全隱患；

(3)YOLOv5檢測模型檢測到實驗室內(nèi)出現(xiàn)堆積的廢舊紙盒時，即構(gòu)成“實驗室廢材堆積”安全隱患；

(4)YOLOv5檢測模型檢測到危化氣瓶，但未檢測到氣瓶防護架時，即構(gòu)成“危化氣瓶未設(shè)置氣瓶防護架”安全隱患；

(5)YOLOv5檢測模型未檢測到室內(nèi)有滅火器時，即構(gòu)成“無滅火器”安全隱患。

由于筆者只從諸多學者已識別的隱患中選擇5種可由視覺觀測到的較為重要的安全隱患作為評價指標，因此使用基于數(shù)量的風險評級方式，安全隱患數(shù)量1～2為低風險；安全隱患數(shù)量3為中風險；安全隱患數(shù)量4～5為高風險，由于明火具有較大危害性，因此當出現(xiàn)明火時即為高風險。分別選擇低、中、高風險等級實驗室圖片各20張、50張、100張，預先對圖片等級進行標注，應用人工和檢測模型分別對其進行評級，對比機器和人工檢測精度，分析機器和人工優(yōu)劣，如表3所示。

表3 人工與模型對比

由表3可知，在低、中、高3個風險場景中人對風險的評估準確度都隨著圖片數(shù)量的增加而減少，而這種評估準確度的下降在高風險中最為明顯。綜上可得，人工對圖片中實驗室場景進行風險評估的主要影響因素為圖片的數(shù)量和圖片中場景的復雜程度。其中數(shù)量對人的影響主要是由于長期重復性的操作使人疲勞所致。而機器評估的精度不會受到場景復雜程度和評判的數(shù)量的影響，機器評估的唯一影響因素在于，當目標物體受到遮擋時，會造成無法識別的情況，從而影響評判準確度。從兩者評估速度來講，機器的速度遠遠超過人，人的評估速度平均為2～3 s/張，機器的速度平均為0.002～0.003 s/張。

5 結(jié)論

(1)針對目前高校實驗室事故多發(fā)現(xiàn)狀，提出基于YOLOv5的視覺風險評估模型，通過目標檢測的手段提高實驗室的安全監(jiān)控能力，將AI賦能安全管理，從而有效提升實驗室的安全管理水平。通過對YOLOv5算法采用數(shù)據(jù)增強、遷移學習等手段最終實現(xiàn)了對實驗室安全隱患的高精度檢測，并設(shè)計5個分支模型的對比實驗選取了最適合的YOLOv5s模型。最后建立風險評估規(guī)則，設(shè)計人與機器的風險評估對比實驗。

(2)從速度和精度上考慮YOLOv5s是5個分支最適合的模型；和傳統(tǒng)主流目標檢測算法對比，YOLOv5s表現(xiàn)出極高的檢測精度；相對于人來講，機器在這種重復性簡單勞動上有更高的穩(wěn)定性、檢測精度、更快的檢測速度。

(3)該評估模型還存在一定局限性，事故的發(fā)生是多個因子事件共同作用的結(jié)果，而不同事故之間存在因果耦合關(guān)系，例如：火災往往會引起爆炸事故，電氣事故也可能導致火災。并且火災與爆炸事故的影響因素也存在著高度重復性，在未來工作中將考慮不同事故鏈的耦合性，去綜合評判場景中的風險等級。